新研究、VLMの空間推論の限界を検証

最近発表された複数の研究報告は、視覚言語モデルが密な視覚知覚や空間推論で抱え続ける弱点を調べている。ある論文はChain-of-Visual-Thoughtを提案し、深度、セグメンテーション、エッジ、空間レイアウトといった手がかりについて、視覚専門モデルから蒸留したコンパクトな連続視覚トークンを使ってVLMに推論させる手法を示した。ほかにも、動画におけるグローバルな空間認識を評価するGST-Bench、専門的な空間ツールから学習するSpatialCLI、そしてVLMが細かな視覚比較よりも意味ラベルに依存していることを示す証拠が提示されている。